TILASTOLLINEN LAADUNVALVONTA

Samankaltaiset tiedostot
Otoskoko 107 kpl. a) 27 b) 2654

Luentokalvoja tilastollisesta päättelystä. Kalvot laatinut Aki Taanila Päivitetty

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

Tilastollisia peruskäsitteitä ja Monte Carlo

riippumattomia ja noudattavat samaa jakaumaa.

dx=5&uilang=fi&lang=fi&lvv=2014

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden

Luottamusvälit. Normaalijakauma johnkin kohtaan

r = n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

Matematiikan tukikurssi

/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)

Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET

Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu

10. laskuharjoituskierros, vko 14, ratkaisut

Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET

Testejä suhdeasteikollisille muuttujille

Hypoteesin testaus Alkeet

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

¼ ¼ joten tulokset ovat muuttuneet ja nimenomaan huontontuneet eivätkä tulleet paremmiksi.

Sovellettu todennäköisyyslaskenta B

ARVIOINTIPERIAATTEET

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma

Lauri Tarkkonen: Kappa kerroin ja rinnakkaisten arvioitsijoiden yhdenmukaisuus

7.4 Normaalijakauma (kertausta ja täydennystä) Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96) = 0,025, P(Z -1,96) = 0,025

Estimointi. Luottamusvälin laskeminen keskiarvolle α/2 α/2 0.1

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä

Sovellettu todennäköisyyslaskenta B

Väliestimointi (jatkoa) Heliövaara 1

5 Lisa materiaali. 5.1 Ristiintaulukointi

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

Aki Taanila TILASTOLLINEN PÄÄTTELY

Johdatus tilastotieteeseen Testit järjestysasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

MTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu

Estimointi. Otantajakauma

Aki Taanila VARIANSSIANALYYSI

Estimointi. Vilkkumaa / Kuusinen 1

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi.

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Sovellettu todennäköisyyslasku A

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4

Päätöksentekomenetelmät

Matemaatikot ja tilastotieteilijät

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

2.2 Täydellinen yhtälö. Ratkaisukaava

Aineistokoko ja voima-analyysi

Hierarkkiset koeasetelmat. Heliövaara 1

Uudistuva RISKINARVIO-ohje

HAVAITUT JA ODOTETUT FREKVENSSIT

MTTTP1, luento KERTAUSTA

PHYS-C0220 Termodynamiikka ja statistinen fysiikka Kevät 2016

Tutkimuksen suunnittelu / tilastolliset menetelmät. Marja-Leena Hannila Itä-Suomen yliopisto / Terveystieteiden tdk

Tutkimustiedonhallinnan peruskurssi

Mitä tarvitsee tietää biostatistiikasta ja miksi? Matti Uhari Lastentautien klinikka Oulun yliopisto

Tilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin

9. laskuharjoituskierros, vko 12-13, ratkaisut

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Esimerkkejä derivoinnin ketjusäännöstä

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

Sisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4

Käyttöjärjestelmät: Virtuaalimuisti

Laboratorioanalyysit, vertailunäytteet ja tilastolliset menetelmät

4. laskuharjoituskierros, vko 7, ratkaisut

Harjoitus 7: NCSS - Tilastollinen analyysi

MTTTP1, luento KERTAUSTA

Otantajakauman käyttö päättelyssä

II- luento. Etiikan määritelmiä. Eettisen ajattelu ja käytänteet. 1 Etiikka on oikean ja väärän tutkimusta

Parametrin estimointi ja bootstrap-otanta

Testit järjestysasteikollisille muuttujille

Ensimmäiset ikäindeksit laskettu berninpaimenkoirille

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

Sovellettu todennäköisyyslaskenta B

Aki Taanila TOIMITUSKETJUN HALLINNAN TYÖKALUJA

7. laskuharjoituskierros, vko 10, ratkaisut

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

Sovellettu todennäköisyyslaskenta B

Laadunvalvonta ja käytönaikaiset hyväksyttävyysvaatimukset TT laitteille

Jatkuvat satunnaismuuttujat

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.

A-OSA. Kyseessä on binomitodennäköisyys. 30 P(Tasan 10 sadepäivää ja muut 20 poutapäiviä) 0,35 (1 0,35) ,35 0, ,

ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI. Mikko Kylliäinen

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

Koesuunnittelu Latinalaiset neliöt. TKK (c) Ilkka Mellin (2005) 1

monissa laskimissa luvun x käänteisluku saadaan näyttöön painamalla x - näppäintä.

Sovellettu todennäköisyyslaskenta B

Transkriptio:

1 Aki Taanila TILASTOLLINEN LAADUNVALVONTA 31.10.2008

2 TILASTOLLINEN LAADUNVALVONTA Tasalaatuisuus on hyvä tavoite, jota ei yleensä voida täydellisesti saavuttaa: asiakaspalvelun laatu vaihtelee, vaikka tavoitteena on tasaisen hyvä laatu valmistettujen tuotteiden ominaisuudet vaihtelevat, vaikka tavoitteena on valmistaa täsmälleen tietynlaisia tuotteita. Hyvän laadun tunnusmerkkinä on mahdollisimman pieni vaihtelu, mutta vaihtelusta ei täysin päästä eroon. Vaihtelun syyt voidaan jakaa yleisiin ja erityisiin syihin. Vaihtelun yleiset syyt (common causes, chance causes) Vaihtelun yleiset syyt liittyvät vaihteluun, joka kuuluu prosessiin luonnostaan. Yleiset syyt ovat lukuisia pieniä vaihtelun aiheuttajia, jotka toimivat satunnaisesti. Yleisistä syistä johtuva vaihtelu on hyväksyttävä osaksi asiakaspalvelu- tai tuotantoprosessia. Yleisistä syistä johtuva vaihtelu on seurausta ihmisistä, koneista, materiaaleista, menetelmistä, mittaussysteemeistä jne. Vaihtelun erityiset syyt (special causes, assignable causes) Prosessin valvonta Vaihtelun erityiset syyt aiheuttavat vaihtelua, joka ei luonnostaan kuulu prosessiin. Erityisistä syistä johtuva vaihtelu on merkki siitä, että prosessissa on häiriöitä, jotka pitäisi korjata. Erityisiä syitä voivat olla esimerkiksi väärin säädetyt koneet, kuluneet koneen osat, huonolaatuiset raaka-aineet, puutteellisesti koulutetut työntekijät jne. Laadunvalvonnan tavoitteena on tunnistaa erityisistä syistä johtuvan vaihtelun ilmaantuminen mahdollisimman varhaisessa vaiheessa. Tilastollisia menetelmiä tarvitaan erottamaan erityisistä syistä aiheutuva vaihtelu yleisistä syistä aiheutuvan vaihtelun seasta. Prosessin sanotaan olevan hallinnassa (in control), jos läsnä on vain yleisistä syistä johtuvaa vaihtelua. Prosessia kutsutaan hallitsemattomaksi (out of control), jos läsnä on myös erityisistä syistä johtuvaa vaihtelua. Tilastollisella prosessin valvonnalla pyritään tunnistamaan, jos prosessiin ilmaantuu erityisistä syistä johtuvaa vaihtelua. Prosessin valvonta sisältää seuraavia vaiheita: 1. Otetaan otoksia tuotanto- tai palveluprosessista. 2. Mitataan otoksista tarkastelun kohteena olevat muuttujat. 3. Lasketaan mitatuista muuttujista tunnuslukuja erikseen kullekin otokselle. 4. Tarkkaillaan tunnuslukuja otoksesta toiseen. Apuvälineenä käytetään nk. kontrollikaaviota. 5. Jos tunnusluvut vaihtelevat enemmän kuin yleisistä syistä johtuva vaihtelu, niin selvitetään mahdollisen häiriön syy. Tunnuslukuina käytetään mm. seuraavia:

3 keskiarvo vaihteluväli (maksimi - minimi) viallisten prosenttiosuus. Tunnusluvun virhemarginaali määrittää vaihtelurajat, joiden sisällä tunnusluvun pitäisi olla tietyllä todennäköisyydellä. Jos virhemarginaalin laskennassa käytetty luottamustaso on tarkoituksenmukaisesti valittu, niin virhemarginaalien ulkopuolelle joutumista voidaan pitää osoituksena siitä, että prosessiin on ilmaantunut erityisistä syistä johtuvaa vaihtelua. 7.1 Kontrollikaavio keskiarvolle Keskiarvoja otoksesta toiseen seuraavan kontrollikaavion lähtökohtana on hallinnassa olevaan prosessiin liittyvä keskiarvo ja keskihajonta. Jos kiinnostuksen kohteena olevan muuttujan keskiarvo µ ja keskihajonta σ ovat tiedossa, niin voidaan osoittaa, että eri otoksista lasketut keskiarvot noudattavat normaalijakaumaa, jonka keskihajonta on tarkasteltavan muuttujan keskihajonta jaettuna otoskoon neliöjuurella: On syytä olla tarkkana sen suhteen kumpaa keskihajontaa kulloinkin käytetään: tarkasteltavan muuttujan keskihajontaa vai otoskeskiarvojen keskihajontaa! Kontrollikaavioissa käytetään yleisesti virhemarginaalina kolmea keskihajontaa (otoskeskiarvojen keskihajonta). Normaalijakaumasta voidaan laskea todennäköisyys 3 keskihajonnan virhemarginaalin rajoissa pysymiselle: 99,73 % todennäköisyydellä välillä µ + 3 keskihajontaa Yllä mainittu pätee, jos prosessi on hallinnassa (vain yleisistä syistä johtuvaa vaihtelua). Jos havaitaan virhemarginaalien ulkopuolelle joutuva keskiarvo, niin tämä johtaa toimenpiteisiin mahdollisen häiriön selvittämiseksi. Esim. Hallinnassa olevan tuotantoprosessin tiedettiin tuottavan koneenosia, joiden pituuden keskiarvo on 24,500 mm ja keskihajonta on 0,100 mm. Jos tuotannosta otetaan 10 kappaleen otoksia, niin otoksista lasketut keskiarvot noudattavat normaalijakaumaa N(24,500;0,0316). Jakauman keskihajonta 0,0316 (otoskeskiarvojen keskihajonta) saadaan jakamalla keskihajonta 0,100 otoskoon neliöjuurella. Virhemarginaalina voidaan käyttää 99,73% virhemarginaali 3 x 0,0316 (3 keskihajontaa)

4 Piirtämällä virhemarginaalien määrittämät rajat samaan kuvioon otoksista saatavien keskiarvojen kanssa voimme seurata, pysyykö prosessi hallinnassa. Jos otoksen keskiarvo on virhemarginaalien ulkopuolella, niin voidaan päätellä, että prosessiin on ilmaantunut erityisistä syistä johtuvaa vaihtelua. Yllä olevassa kontrollikaaviossa on esitetty 20 otoksen keskiarvot. Viimeisin otoskeskiarvo ylittää ylemmän rajan ja johtaisi näin ollen toimenpiteisiin mahdollisen häiriön etsimiseksi ja korjaamiseksi. Hallinnassa olevan prosessin keskiarvo ja keskihajonta eivät ole tiedossa Jos hallinnassa olevaan prosessiin liittyvä keskiarvo ja keskihajonta eivät ole tiedossa, niin keskiarvolle ja keskihajonnalle lasketaan arviot käyttämällä riittävää määrää (useita kymmeniä otoksia) hallinnassa olevasta prosessista otettuja otoksia. Keskiarvo saadaan laskemalla otoskeskiarvojen keskiarvo. Kontrollikaavion 3 keskihajonnan virhemarginaali voidaan arvioida vaihteluvälien avulla (vaihteluväli saadaan laskettua vähentämällä suurimmasta arvosta pienin arvo). Kontrollikaavion virhemarginaali arvioidaan kertomalla otoksista saatujen vaihteluvälien keskiarvo arvolla A 2. Arvo A 2 riippuu otoskoosta Excel esimerkeistä löytyvän taulukon mukaisesti. Otoskoko Keskiarvojen yhteydessä käytetään laadunvalvonnassa pieniä 3-20 kappaleen otoksia.

5 7.2 Kontrollikaavio vaihteluvälille Otoskoko Keskiarvon ohella on syytä tarkastella myös vaihtelua otoksesta toiseen. Yleensä tarkastellaan vaihteluväliä, jonka laskeminen on helpompaa kuin keskihajonnan. Jos vaihteluvälin keskiarvo ei ole tiedossa, niin se lasketaan käyttämällä riittävää määrää (useita kymmeniä otoksia) hallinnassa olevasta prosessista otettuja otoksia. Otosten vaihteluvälien keskiarvoa käytetään kontrollikaavion keskiarvona. Kontrollikaavion 3 keskihajonnan rajat voidaan laskea seuraavasti: Ylempi raja saadaan kertomalla otosten vaihteluvälien keskiarvo arvolla D 4. Alempi raja saadaan kertomalla otosten vaihteluvälien keskiarvo arvolla D 3. Arvot D 4 ja D 3 riippuvat otoskoosta Excel esimerkeistä löytyvän taulukon mukaisesti. Vaihteluvälien yhteydessä käytetään laadunvalvonnassa pieniä 3-20 kappaleen otoksia. 7.3 Kontrollikaavio prosenttiosuudelle Jos hallinnassa olevan prosessin viallisten prosenttiosuus p ei ole tiedossa, niin se arvioidaan seuraamalla hallinnassa olevan prosessin viallisten prosenttiosuutta riittävän pitkään. Kontrollikaavion 3 keskihajonnan virhemarginaalit voidaan laskea seuraavalla kaavalla: 3 p (1 p) n Otoskoko Prosenttiosuuden yhteydessä käytetään huomattavasti suurempia otoksia kuin keskiarvon ja vaihteluvälin yhteydessä. Mitä pienempi osuus tuotannosta on viallista, sitä isompia otoksia tarvitaan. Tyypilliset otoskoot vaihtelevat välillä 50-600.

6 7.4 Kontrollikaavioon liittyvä päätöksenteko Jos vastaan tulee normaalista poikkeava otos, niin on tehtävä päätös siitä keskeytetäänkö prosessi mahdollisen häiriön korjaamiseksi vai jatketaanko mahdollisesta häiriöstä huolimatta. Kyseessä on hypoteesin testausta vastaava päätöstilanne, jossa nollahypoteesina on: Prosessi on hallinnassa. Päätöksentekijän kannalta on neljä vaihtoehtoa: Todellinen tilanne Testauksen tulos Nollahypoteesi totta Nollahypoteesi ei ole totta Hyväksy nollahypoteesi Oikea päätös Hyväksymisvirhe Hylkää nollahypoteesi Hylkäämisvirhe Oikea päätös Hylkäämisvirhettä on pidettävä sitä vakavampana mitä kalliimmaksi prosessin keskeyttäminen ja häiriön etsiminen tulee. Toisaalta hyväksymisvirhettä on pidettävä sitä vakavampana mitä enemmän virheellisestä prosessista on haittaa (esim. tyytymättömiä asiakkaita). Vaikka hyväksymisvirhe tapahtuu, niin on huomattava, että seuraavissa otoksissa mahdollinen häiriö kuitenkin yleensä paljastuu. Hylkäämisvirheen ja hyväksymisvirheen väliltä on kussakin käytännön tilanteessa haettava sopiva kompromissi. On pidettävä mielessä että mitä pienempää hylkäämisvirheen todennäköisyyttä vaaditaan nollahypoteesin hylkäämiseksi sitä suuremmaksi kasvaa hyväksymisvirheen todennäköisyys. Edellä käytetty 3 keskihajonnan virhemarginaali sopii tilanteisiin, joissa kartetaan erityisesti hylkäämisvirhettä (hylkäämisvirheen todennäköisyys 0,27 %).